Use este identificador para citar ou linkar para este item:
https://repositorio.ufms.br/handle/123456789/2869
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.creator | Rodrigues, Lucas de Souza | - |
dc.date.accessioned | 2016-08-06T12:59:50Z | - |
dc.date.available | 2021-09-30T19:58:05Z | - |
dc.date.issued | 2016 | - |
dc.identifier.uri | https://repositorio.ufms.br/handle/123456789/2869 | - |
dc.description.abstract | O uso de Aprendizado de Máquina (AM), tem sido amplamente utilizado em problemas reais nos últimos anos. Este trabalho propõe o uso de técnicas em AM para problemas com dados textuais, com abordagem em algoritmos baseados em regras lexicográficas e legitimamente rankeadores. Com a popularização dos dados em meio digitais, torna-se interessante aplicar técnicas de AM para melhor organizar as informações contidas neste vasto campo de bases textuais. O aprendizado supervisionado, uma área de AM, com uso de algoritmos de rankeamento é uma alternativa viável para ambientes que possuem poucos dados rotulados. Logo, para alcançar os desafios deste trabalho é proposto o algoritmo FLEXRANK que tem o objetivo de rankear conjuntos textuais massivos. Para realizar tal feito FLEXRANK conta com uma estratégia simples que utiliza apenas atributos relevantes e por conseguinte realiza lexicograficamente a ordenação dos exemplos em um conjunto de dados. Deste modo, inicialmente são apresentados os tipos de algoritmos de AM, medidas de avaliação em algoritmos de classificação, rankeamento e abordagem dos algoritmos LEXRANK e FLEXRANK proposto neste trabalho. Trabalhos que possuem correlação de ranking de textos, especialmente aqueles que atuam em mineração de textos, são abordados neste estudo. Destaca-se também estudos anteriores com foco a balizar os experimentos e resultados acalçados ao longo deste trabalho. FLEXRANK foi avaliado empiricamente sobre uma série de conjuntos de dados em comparação com os algoritmos SVM, Árvores de Decisão, Naive Bayes, KNN e LEXRANK. Os resultados demonstram que para os problemas de classificação de textos massivos, FLEXRANK tem resultados comparáveis, por meio de Curva ROC AUC, a SVM e mais rápido do que Árvores de Decisão para classificar novos exemplos. | pt_BR |
dc.language.iso | por | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Algorítmos Computacionais | pt_BR |
dc.subject | Lexicografia | pt_BR |
dc.subject | Aprendizado do Computador | pt_BR |
dc.subject | Computer Algorithms | pt_BR |
dc.subject | Lexicography | pt_BR |
dc.subject | Machine Learning | pt_BR |
dc.title | FlexRank: um rankeador lexicográfico rápido | pt_BR |
dc.type | Dissertação | pt_BR |
dc.contributor.advisor1 | Matsubara, Edson Takashi | - |
dc.contributor.advisor1 | Nogueira, Bruno Magalhães | - |
Aparece nas coleções: | Programa de Pós-graduação em Ciência da Computação |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Lucas de Souza Rodrigues.pdf | 1,18 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.